隨著ChatGPT點(diǎn)燃的人工智能（AI）熱潮，通信行業(yè)的面貌煥然一新。在各種行業(yè)展會、論壇上，面向通信行業(yè)的AI應(yīng)用層出不窮。

“ALL in AI，AI for All”不僅僅是口號，AI已經(jīng)和通信系統(tǒng)深度融合。甚至可以說，在有些方面AI已經(jīng)成為了主角，形成了通信×AI的乘數(shù)效應(yīng)。

5G-A是5G下半場演進(jìn)的技術(shù)底座，“泛在智能”已經(jīng)成為了5G-A發(fā)展的重要方向，5G-A×AI的能量正在厚積薄發(fā)。

其實(shí)，在5G以及5G-A標(biāo)準(zhǔn)的制定過程中，業(yè)界也早已認(rèn)識到了AI的優(yōu)勢，并試圖把一些流程用AI來優(yōu)化賦能。

那么，從標(biāo)準(zhǔn)的角度看，3GPP在網(wǎng)絡(luò)智能化方面的進(jìn)展如何？

來源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

可以看出，在5G階段，網(wǎng)絡(luò)智能化有核心網(wǎng)的NWDAF（NetWork Data Analytics Function，網(wǎng)絡(luò)數(shù)據(jù)分析功能）、運(yùn)維層的MDAF（Management Data Analytics Function，管理數(shù)據(jù)分析功能），以及接入側(cè)的一些基本功能研究，這些AI局限在網(wǎng)絡(luò)側(cè)，和終端沒有交互。

到了5G-A階段，標(biāo)準(zhǔn)制定的AI能力向網(wǎng)絡(luò)和終端協(xié)同的更復(fù)雜功能演進(jìn)。最后到6G，就是全棧全節(jié)點(diǎn)的原生智能了。

網(wǎng)絡(luò)層及運(yùn)維層網(wǎng)元

早在5G標(biāo)準(zhǔn)的第一個(gè)版本R15，3GPP就定義了一個(gè)全新的核心網(wǎng)網(wǎng)元——NWDAF。

NWDAF從各種核心網(wǎng)網(wǎng)元、應(yīng)用、運(yùn)維系統(tǒng)以及運(yùn)營支持系統(tǒng)收集數(shù)據(jù)，然后對這些數(shù)據(jù)進(jìn)行分析，以提供有關(guān)網(wǎng)絡(luò)性能和健康狀況的建議及處理方案。

NWDAF可以支持：

網(wǎng)絡(luò)性能監(jiān)控：監(jiān)控時(shí)延、吞吐率、以及網(wǎng)絡(luò)可用性等關(guān)鍵網(wǎng)絡(luò)指標(biāo)，用于識別和解決性能問題。

網(wǎng)絡(luò)安全分析：分析網(wǎng)絡(luò)流量，以識別潛在的安全威脅，用于提高網(wǎng)絡(luò)的安全性。

客戶體驗(yàn)優(yōu)化：分析客戶數(shù)據(jù)，用于改善客戶體驗(yàn)。比如，NWDAF可發(fā)現(xiàn)某些客戶或特定應(yīng)用程序的體驗(yàn)不佳，并定位存在問題的地點(diǎn)。

網(wǎng)絡(luò)自治閉環(huán)：支撐網(wǎng)絡(luò)運(yùn)維自動化，在出現(xiàn)性能問題或安全威脅時(shí)自動生成告警。

與此同時(shí)，網(wǎng)絡(luò)運(yùn)維（OAM）系統(tǒng)也需要增強(qiáng)，即通過引入AI和自動化來實(shí)現(xiàn)接近零接觸的網(wǎng)絡(luò)及服務(wù)管理編排。

在此背景下，3GPP在R17版本為網(wǎng)絡(luò)運(yùn)維層引入了MDAF，進(jìn)一步豐富和增強(qiáng)管理功能，實(shí)現(xiàn)最佳的網(wǎng)絡(luò)性能及服務(wù)保障。

綜合下來，5G核心網(wǎng)及運(yùn)維層的智能化架構(gòu)是下圖這樣的。

核心網(wǎng)以及上層的運(yùn)維有了這些動靜，那么接入網(wǎng)NG-RAN（Next Generation Radio Access Network，下一代無線接入網(wǎng)）呢？

RAN接入層智能化

3GPP也是從R17階段開始研究怎樣把AI引入基站及終端，首先考慮的是網(wǎng)絡(luò)節(jié)能、負(fù)荷均衡以及移動性優(yōu)化等基礎(chǔ)功能。

首先要做的是定義AI在RAN（Radio Access Network，無線接入網(wǎng)）側(cè)的基本運(yùn)行結(jié)構(gòu)：

從上圖可以看出，RAN側(cè)的AI框架和通用的AI架構(gòu)并沒有大的不同之處，都分為數(shù)據(jù)采集、模型訓(xùn)練、模型推理和執(zhí)行這幾個(gè)模塊。

數(shù)據(jù)采集：通過標(biāo)準(zhǔn)接口從網(wǎng)絡(luò)中獲取數(shù)據(jù)，并提供給模型訓(xùn)練和模型推理。

模型訓(xùn)練：進(jìn)行數(shù)據(jù)的預(yù)處理，并執(zhí)行AI/ML訓(xùn)練、驗(yàn)證、測試等工作。

模型推理：采用訓(xùn)練好的模型來進(jìn)行推理，生成預(yù)測數(shù)據(jù)并進(jìn)行智能決策。

執(zhí)行：接收模型推理的結(jié)論，并在網(wǎng)絡(luò)中實(shí)際生效執(zhí)行。

那么，這些模塊是在終端側(cè)運(yùn)行，還是在網(wǎng)絡(luò)側(cè)運(yùn)行？答案是都可以，3GPP根據(jù)協(xié)作程度的高低定義了x，y，z三個(gè)級別。

來源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

Level x：基站和終端各自管各自的AI處理，之間沒有任何交互與協(xié)作。

Level y：基站和終端之間的AI處理通過信令交互，但它們之間的交流也僅限于此，沒有AI模型層面的交互。

Level z：基站和終端之間的AI處理既有信令交互，也可以進(jìn)行AI模型的傳輸和更新。這就是最高級別的協(xié)同了。

目前已在R17階段研究并在R18階段標(biāo)準(zhǔn)化的RAN側(cè)AI主要是網(wǎng)絡(luò)節(jié)能、負(fù)荷均衡以及移動性優(yōu)化。

網(wǎng)絡(luò)節(jié)能：節(jié)能的關(guān)鍵精準(zhǔn)預(yù)測話務(wù)量，并根據(jù)話務(wù)量來最大程度關(guān)閉空閑資源。網(wǎng)絡(luò)節(jié)能的挑戰(zhàn)在于話務(wù)預(yù)測的精度、網(wǎng)絡(luò)性能和節(jié)能之間的收益平衡，以及迭代優(yōu)化配置的高效性。通過引入AI，可以讓網(wǎng)絡(luò)能效更上一層樓。

來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

負(fù)荷均衡：如果大量用戶集中在一個(gè)小區(qū)，周圍的小區(qū)還很空閑的話，就需要負(fù)荷均衡來把用戶平均分配在各個(gè)小區(qū)，最大化資源利用。怎樣遷移用戶才能始終保持網(wǎng)絡(luò)體驗(yàn)最佳？這也需要AI的加持。

來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

移動性優(yōu)化：移動性是指用戶在移動時(shí)，本小區(qū)的服務(wù)質(zhì)量下降，需將用戶切換到最合適的小區(qū)。不切換不行，切換太頻繁了也不好，那么怎樣保證以最少的切換次數(shù)保障最優(yōu)的用戶體驗(yàn)？AI能讓每一次切換都恰如其分。

來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

在R18階段，3GPP研究了CSI反饋增強(qiáng)、毫米波波束管理以及定位精度增強(qiáng)這三個(gè)AI應(yīng)用，跨入了系統(tǒng)和終端協(xié)作新時(shí)代。

來源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

CSI反饋增強(qiáng)：CSI（Channel State Information）是終端測量得到的信道狀態(tài)信息。信道狀態(tài)信息越準(zhǔn)確，用戶的下載速率也就越高。然而在大規(guī)模MIMO系統(tǒng)中,大量天線會導(dǎo)致CSI數(shù)據(jù)量巨大，反饋開銷也很大。

如果我們能利用神經(jīng)網(wǎng)絡(luò)框架對CSI進(jìn)行非線性編碼和解碼，可提高系統(tǒng)效率，實(shí)現(xiàn)更有效的多用戶復(fù)用，還可以最小化干擾。我們還可以針對設(shè)備的定制，實(shí)現(xiàn)更低開銷的反饋。

并且，由于用戶是移動的，而CSI的反饋需要時(shí)間，可能到達(dá)基站時(shí)就已經(jīng)因?yàn)樾诺罓顟B(tài)變化而成為了無用信息。因此,基于AI/ML的CSI反饋增強(qiáng)還可以采用設(shè)備端的AI模型來改善CSI預(yù)測。

來源：Qualcomm.com：Towards an AI-native communications system design

波束管理增強(qiáng)：毫米波的波長短，傳播損耗大，極易被遮擋。為了補(bǔ)償路損，基站一般要使用超大規(guī)模的天線陣列來實(shí)現(xiàn)波束賦形增益。但為了最大化利用這些窄波束，我們需要良好的算法來選擇并保持發(fā)射和接收端最佳對準(zhǔn)的波束對。

然而，當(dāng)設(shè)備快速移動時(shí)，信道狀態(tài)瞬息萬變，保持波束最佳對準(zhǔn)是非常困難的。并且，我們還需要多個(gè)窄波束來實(shí)現(xiàn)最佳覆蓋。因此,從眾多波束中搜索并跟蹤最佳波束變得更加困難。在這種情況下，我們需要引入AI來提升性能。

來源：Qualcomm.com：Towards an AI-native communications system design

定位精度增強(qiáng)：在復(fù)雜的城市環(huán)境中，傳統(tǒng)的定位方案可能會由于建筑密度和多徑干擾等因素而精度不佳，需要引入AI，綜合多維信息來提升精度。AI還可以適應(yīng)環(huán)境的變化，并幫助我們在視線受阻的情況下進(jìn)行定位，如衛(wèi)星或基站信號被遮擋。

來源：Qualcomm.com：Towards an AI-native communications system design

后續(xù)的R19將研究新的AI/ML用例。例如,為了實(shí)現(xiàn)快速適應(yīng)和分布式學(xué)習(xí)應(yīng)用，AI/ML的數(shù)據(jù)和模型可能會直接在設(shè)備之間共享，而不需要經(jīng)過5G網(wǎng)絡(luò)。這就需要進(jìn)一步研究隱私保護(hù)以及能耗降低等問題。

此外，對于分布式學(xué)習(xí)，在標(biāo)準(zhǔn)制定上還需要考慮更多。比如，如何處理設(shè)備進(jìn)出覆蓋區(qū)域、電量有限、設(shè)備間卸載計(jì)算等場景，并在AI/ML模型準(zhǔn)確度、模型生成延遲、功耗約束、計(jì)算能力等因素之間的權(quán)衡。

再往后，我們離6G的標(biāo)準(zhǔn)化就近在咫尺了。在當(dāng)前的6G愿景中，“AI與通信融合”六邊形的頂點(diǎn)之一。AI將成為網(wǎng)絡(luò)底層架構(gòu)的一部分，從之前的外掛式走向AI原生。

鄔賀銓院士曾經(jīng)指出，6G應(yīng)聚焦在如何利用AI分析信道特性實(shí)現(xiàn)干擾消除、優(yōu)化能效和核心網(wǎng)對業(yè)務(wù)的智能化適應(yīng)上。這不僅是當(dāng)前5G-A階段正在做的，更是6G應(yīng)該與生俱來的基礎(chǔ)能力。